去中心化边缘系统中的动态工作负载平衡：一种边际成本方法

《Future Generation Computer Systems》：Dynamic Workload Balancing in Decentralized Edge Systems: A Marginal Cost Approach

边缘计算环境下基于边际计算成本每用户的协作资源管理框架，通过模拟和真实数据验证，有效提升资源利用率、降低延迟及减少活跃实例，保持系统扩展性和适应性。

　　边缘计算的兴起给资源管理带来了新的挑战，特别是在去中心化的系统中，可扩展性和响应性成为关键因素。本文提出了一种以用户边际计算成本为核心驱动力的协作资源管理框架，旨在通过经济原理中的边际成本概念，评估边缘数据中心（Edge Data Center, EDC）支持更多用户的能力，从而实现高效的资源分配。通过使用PureEdgeSim这一先进的边缘计算模拟器以及阿里巴巴的实时数据集，实验结果显示了在资源利用、延迟和活跃实例减少方面的显著提升，同时保持了系统在高用户需求下的可扩展性和适应性。

边缘计算的出现源于从集中式云计算架构向去中心化模型的转变，这一转变是由对实时处理的需求以及联网设备数量的增加所驱动的。通过将计算资源部署得更接近用户，边缘计算能够有效降低延迟，提高系统的响应速度，从而增强对延迟敏感应用的用户体验（Quality of Experience, QoE）。这一趋势对于处理来自自动驾驶、医疗和工业物联网等领域的数据激增至关重要。然而，边缘环境的去中心化和资源有限性也带来了资源管理方面的挑战，包括服务部署、负载均衡和资源分配的复杂性。

传统的集中式资源管理策略在优化通信开销、延迟和资源使用方面得到了广泛研究。这些方法通常依赖于全局协调器，以实现全局最优的资源分布和服务迁移。虽然集中式方法在降低通信延迟和优化资源利用方面表现出色，但在基础设施规模扩大时，它们的可扩展性受到限制，协调开销变得难以承受。此外，依赖于单一决策者也引入了单点故障的风险，这对于关键任务的应用来说是不可接受的。

本文提出了一种基于“用户边际计算成本”（Marginal Computing Cost per User, MCU）的新型协作资源管理框架。这一概念源自经济学中的边际成本，即生产额外单位产品所增加的总成本。在边缘计算的背景下，我们对这一概念进行了扩展解释，以衡量随着现有负载增加，边缘数据中心（EDC）对新增用户的接受意愿。MCU模型被设计为一种政策驱动的抽象机制，而不是具体的资源消耗模型。其目的是提供一个灵活且可调的指标，使边缘数据中心能够在协作负载均衡的环境下实现自适应的资源分配决策。

在本文中，MCU的概念被整合到一个协作决策算法中，使边缘数据中心能够根据自身的资源可用性和延迟约束，自主平衡负载。具体来说，MCU指标决定了边缘节点是否应接受或转移新增用户到其邻居节点，从而促进整个网络的资源高效利用。当两个边缘数据中心在物理距离上接近且无线覆盖区域重叠时，它们被视为邻居。为了验证该框架的有效性，我们使用PureEdgeSim这一先进的边缘计算模拟器以及阿里巴巴的实时数据集进行了大量实验。实验设置包括125个分布在1.2平方公里区域内的边缘节点，其负载来源于超过20,000个微服务。实验结果表明，该方法在不同的用户分布模式和资源约束条件下都表现出良好的鲁棒性，凸显了其在实际应用中的潜力。

本文的工作在之前会议版本的基础上进行了显著改进，主要贡献包括以下几个方面：首先，扩展了实验范围，新的实验评估了不同用户数量和用户边际成本对应用性能的影响；其次，进行了详细的边缘数据中心负载分析，通过饼状图的形式提供了更清晰的资源使用视图；再次，对相关研究进行了修订和扩展，使内容更加全面；第四，重新设计了资源管理算法，采用单向方法以提高算法的清晰度和实现性；第五，引入了噪声（服从高斯分布）来模拟边际成本的变化，使评估更具现实意义；第六，提出了部分迁移机制，该机制更贴近MCU概念，因为它允许边缘数据中心转移部分用户，而不是局限于全量迁移或不迁移的二元选择。

本文的结构安排如下：第二部分回顾了相关研究并指出了研究空白；第三部分定义了MCU的概念；第四部分详细描述了协作资源管理算法；第五部分介绍了实验方法，包括模拟和数据集的具体信息；第六部分展示了实验结果和讨论；第七部分总结了本文的工作并提出了未来的研究方向。此外，本文还提供了四个附录作为补充材料。附录A介绍了实验中使用的通信协议；附录B讨论了我们在交换协议中采用的死锁预防策略；附录C描述了用户-边缘数据中心的应用视图；附录D则提供了更多额外的实验结果。

在实验方法部分，我们明确了实验所依赖的关键假设、模型和数据集。为了使模拟具有实际意义，我们对多个方面进行了精确的定义和建模。第五部分首先介绍了用于捕捉应用影响的模型，随后详细描述了实验的具体设置，包括模拟环境和数据集的使用。我们使用的模拟框架是PureEdgeSim，其代码已公开可用。然而，为了确保模拟的有效性，我们需要对多个因素进行准确建模和定义。

在实验结果部分，我们分析了两种MCU机制的配置：一种配置为c=0.05和σ2=0.01，另一种为c=0.1和σ2=0.05。实验结果分别在随机和随机均匀的初始用户-边缘数据中心关联模式下进行分析。这些实验旨在评估所提出方法在提升系统性能方面的作用，同时促进边缘数据中心之间的负载均衡。为了更好地理解这些结果，我们将其与传统的集中式方法进行了对比，以突出所提出方法的优势。

本文的工作提出了一个创新的边缘计算资源管理方案，该方案基于经济学中的边际成本原理。核心是MCU，这是一种类似于成本的指标，用于衡量边缘数据中心对新增用户的接受意愿和剩余容量。通过基于MCU的自组织算法，系统能够在保持应用特定延迟约束的同时，实现边缘数据中心之间的负载平衡。实验结果表明，该框架在实际数据集的应用中表现出良好的效果，能够有效支持高用户需求下的系统运行。

在作者贡献部分，作者按字母顺序排列，反映了他们在该工作中相等的贡献。每位作者都参与了论文的撰写、修改、方法设计、可视化、软件开发、正式分析、概念化等环节。作者们在研究过程中密切合作，共同推动了该方法的实现和优化。

在资金支持部分，本文的研究得到了多个项目的资助。其中包括NOUS HORIZON-CL4-2023-DATA-01-02项目，资助编号为101135927；OSMWARE项目（PRA 2022-64），由比萨大学资助；以及意大利高性能计算、大数据和量子计算研究中心（ICSC）的“FutureHPC & BigData”专项中的Spoke 1和Spoke 6，由MUR（意大利教育部）的Mission 4 Componente 2 Investimento 1.4项目支持。这些资助为研究提供了必要的资源和条件，使我们能够深入探索边缘计算中的资源管理问题，并开发出有效的解决方案。

本文的结论强调了所提出方法在边缘计算资源管理中的创新性和实用性。通过引入MCU这一指标，系统能够在去中心化环境下实现高效的负载均衡，同时保持应用的延迟约束。实验结果表明，该方法在实际数据集的应用中表现出良好的效果，能够有效支持高用户需求下的系统运行。此外，该方法在之前会议版本的基础上进行了多项改进，包括扩展实验、详细负载分析、修订相关研究、改进算法、引入噪声模拟和部分迁移机制，从而提升了方法的全面性和实用性。

通过本文的研究，我们希望为边缘计算资源管理提供一个新的视角和方法。随着物联网和智能设备的普及，边缘计算将在未来的网络架构中发挥越来越重要的作用。因此，开发出一种能够有效管理资源、平衡负载、提高系统性能的框架，对于推动边缘计算的发展具有重要意义。本文的工作不仅在理论层面进行了深入探讨，还在实际应用中进行了验证，展示了其在不同场景下的适应性和有效性。

在实验部分，我们采用了一系列不同的实验配置，以评估MCU机制在不同条件下的表现。例如，我们比较了不同边际成本参数对系统性能的影响，分析了不同用户分布模式下系统的响应能力。此外，我们还对不同负载均衡策略进行了对比，以评估MCU机制在提升系统性能方面的优势。实验结果表明，MCU机制在提高资源利用率、降低延迟和减少活跃实例方面具有显著的效果，同时保持了系统的可扩展性和适应性。

在实验方法中，我们采用了多种模型和数据集来支持实验的进行。其中包括阿里巴巴的实时数据集，该数据集提供了丰富的用户行为和负载信息，使我们能够更真实地模拟边缘计算环境中的资源管理问题。此外，我们还采用了PureEdgeSim这一先进的模拟工具，以确保实验的准确性和可重复性。通过这些模型和数据集，我们能够全面评估MCU机制在不同场景下的表现，并为未来的优化提供依据。

本文的研究不仅关注理论上的创新，还注重实际应用的可行性。通过MCU这一指标，系统能够在去中心化环境下实现自适应的资源分配，从而提高整体的资源利用效率。同时，MCU机制还能够帮助边缘数据中心在面对高用户需求时，做出更合理的决策，避免资源的过度消耗和系统性能的下降。实验结果表明，该方法在实际应用中具有良好的效果，能够有效支持边缘计算环境中的资源管理需求。

在作者贡献方面，每位作者都对本文的研究做出了重要贡献。Emanuele Carlini负责撰写和修改论文，设计方法；Patrizio Dazzi负责撰写和修改论文，进行可视化、方法设计、调查和概念设计；Luca Ferrucci负责撰写和修改论文，进行可视化、软件开发、正式分析和概念设计；Jacopo Massa负责撰写和修改论文，进行可视化；Matteo Mordacchini负责撰写和修改论文，进行方法设计和撰写初稿。这些贡献使得本文的研究得以顺利完成，并为边缘计算资源管理提供了新的思路和方法。

在资金支持方面，本文的研究得到了多个项目的资助，这些资助为研究提供了必要的资源和条件。其中包括NOUS HORIZON-CL4-2023-DATA-01-02项目，该项目由欧洲委员会资助；OSMWARE项目（PRA 2022-64）由比萨大学资助；以及ICSC的“FutureHPC & BigData”专项中的Spoke 1和Spoke 6，由MUR的Mission 4 Componente 2 Investimento 1.4项目支持。这些资助不仅保障了研究的顺利进行，还为未来的研究提供了更多的可能性。

综上所述，本文的研究为边缘计算资源管理提供了一个新的框架，该框架基于经济学中的边际成本原理，通过MCU这一指标，实现了边缘数据中心之间的协作和负载均衡。实验结果表明，该方法在提升系统性能、优化资源利用、降低延迟和减少活跃实例方面具有显著的优势，同时保持了系统的可扩展性和适应性。本文的研究不仅在理论层面进行了深入探讨，还在实际应用中进行了验证，展示了其在不同场景下的适应性和有效性。通过本文的工作，我们希望为边缘计算的发展提供更多的支持和借鉴，推动其在实际应用中的落地和推广。